lianghsun/

c4-zhtw

c4-zhtw 是一個繁體中文（zh-tw）版本之 C4 子集之小型實驗用語料集，合計 2,783 筆，於原始文本之外額外附帶分類器預測（pred_label / pred_conf）與人工標註（label / reason）欄位，用於訓練或評估「繁中高品質文本分類器」（例如用於篩選 c4 / fineweb 繁中子集之 classifier）。

	Dataset Details




	


	Dataset Description

繁體中文之高品質預訓練語料長期不足，過濾現有大規模語料（如 C4、FineWeb）成為常見解法。本資料集為其中一個小型實驗子集，記錄了：

原始 C4 之 zh 子集中之文本、時間戳、URL； 分類器自動預測之標籤（pred_label 與信心 pred_conf）； 人工覆核之最終標籤（label）與標註理由（reason）； 文本長度之 word / token 計數。

主要用途為訓練或評估「繁中品質分類器」之… See the full description on the dataset page: https://huggingface.co/datasets/lianghsun/c4-zhtw.